Importación de librerias.

import pandas as pd # Manipulación y carga de datos.
import plotly.express as px # Gráficos intéractivos.
import warnings # Ignorar mensajes de advertencia.
import pandoc # PDF

warnings.filterwarnings("ignore")

Cargar base de datos.

df=pd.read_csv("insurance.csv")

df.head()

	age	sex	bmi	children	smoker	region	charges
0	19	female	27.900	0	yes	southwest	16884.92400
1	18	male	33.770	1	no	southeast	1725.55230
2	28	male	33.000	3	no	southeast	4449.46200
3	33	male	22.705	0	no	northwest	21984.47061
4	32	male	28.880	0	no	northwest	3866.85520

Información del dataframe.

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1338 entries, 0 to 1337
Data columns (total 7 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   age       1338 non-null   int64  
 1   sex       1338 non-null   object 
 2   bmi       1338 non-null   float64
 3   children  1338 non-null   int64  
 4   smoker    1338 non-null   object 
 5   region    1338 non-null   object 
 6   charges   1338 non-null   float64
dtypes: float64(2), int64(2), object(3)
memory usage: 73.3+ KB

El dataframe carece de valores faltantes.

Valores únicos.

{col:list(df[col].unique()) for col in df.select_dtypes("object")}

{'sex': ['female', 'male'],
 'smoker': ['yes', 'no'],
 'region': ['southwest', 'southeast', 'northwest', 'northeast']}

Visualizamos aquellos valores tipo texto.

def pie_plot(feature,colors):
    
       return px.pie(df,names=feature,color=feature,
                     hole=0.3,color_discrete_map=colors,title=feature + " percent")

Creamos una función con el propósito de crear gráficos de pastel para automatizar código.

Gráficos de pastel.

pie_plot("smoker",{"yes":"red","no":"#77dd77"})

pie_plot("sex",{"male":"skyblue","female":"pink"})

pie_plot("region",{'southwest':"#fdcae1",
                   'southeast':'#84b6f4',
                   'northwest':'0096d2',
                   'northeast':"ffffbf"})

Gráficos de tendencia.

def scater_plot(x_var,title,colors):
    
    return px.scatter(df,x=x_var,
                      y="charges",
                      trendline="ols",
                      color="smoker",
                      title=title,
                      color_discrete_map=colors)

Creamos una función similar a la anterior. Con la diferencia para la creación de gráficos de dispersión.

¿El precio del seguro médico para los fumadores es mayor?

scater_plot("bmi","BMI vs charges",{"yes":"#77dd77","no":"#ff6961"})

El BMI respecto al precio del seguro. Mantine una tendencia lineal para los fumadores. Caso contrario se mantine constante. Y posiblemente contenga valores atípicos.

scater_plot("age","Age vs Charges",{"yes":"#77dd77","no":"#ff6961"})

La varieble edad está correlacionada con los usuarios que no fuman. Mantiene una tendencia lineal.

px.histogram(df,x="charges",color="smoker",color_discrete_map={"yes":"#77dd77","no":"#ff6961"})

px.box(df,x="smoker",y="charges",color="region",title="Smoker vs Region vs Charges")

Merdiante el histograma y el gráfico de caja. Confirmamos la presencia de valores atípicos. Por lo cual tenemos que darle un procesamiento especial.

Técnicamente los valores atípicos podemos darle el mismo tratamineto para los valores perdidos.

• Eliminar dichos valores.
• Reemplazarlos por una medida estadística.
• Usar un modelo. Para que genere valores más cercanos a los reales.

px.box(df,x="bmi",title="BMI")

Con la gráfica interactiva. Presenciamos valores que se salen de lo normal. A su vez valores con un bajo nivel de BMI.